moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.56.5.013 2271 Математическое и алгоритмическое обеспечение для автоматического обновления правил в миварной экспертной системе с использованием больших языковых моделей Mathematical and algorithmic support for automatic rule updates in a mivar expert system using large language models 0009-0007-7669-5004 Доу Линхань Dou Linghan d923952505@gmail.com aff-1 Московский государственный технический университет имени Н.Э. Баумана Bauman Moscow State Technical University 01 01 2026 1 1 10.26102/2310-6018/2026.56.5.013 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Целью работы является разработка математического и алгоритмического обеспечения для автоматического обновления правил в миварной экспертной системе с использованием больших языковых моделей. В ходе этого исследования было разработано математическое и алгоритмическое обеспечение для динамического и автоматического обновления правил. Обеспечение используется для решения проблемы запаздывания обновления правил базы знаний традиционной миварной экспертной системы и длительного времени ручного обновления. Математическое и алгоритмическое обеспечение в этом исследовании основано на способности генерировать большие языковые модели, включая четыре алгоритма. Триггерный алгоритм на основе оценки достоверности; алгоритм генерации подсказок; алгоритм безопасной верификации; алгоритм введения правил. Научная новизна работы заключается в разработке четырех алгоритмов, обеспечивающих автоматическое динамическое обновление правил в миварной экспертной системе с использованием больших языковых моделей. Эксперименты показывают, что математическое и алгоритмическое обеспечение, использованное в этом исследовании, может эффективно улучшить способность в миварной экспертной системы автономно обновлять правила. Было обработано 95,8 % неизвестных сценариев, а точность генерации правил достигла 91,3 %. Цикл обновления базы знаний сократился с нескольких часов до нескольких секунд. Данное исследование доказывает преимущества использования LLM в качестве внешнего интеллектуального сервиса для реализации автоматического обновления правил базы знаний миварной экспертной системы.

The aim of the work is to develop mathematical and algorithmic software for automatic updating of rules in the mivar expert system using large language models. In the course of this research, mathematical and algorithmic software was developed for dynamic and automatic updating of rules. The software is used to solve the problem of the delay in updating the rules of the knowledge base of the traditional mivar expert system and the long time required for manual updating. The mathematical and algorithmic support in this study is based on the ability to generate large language models, including four algorithms. Trigger algorithm based on confidence estimation; algorithm for generating hints; algorithm for secure verification; algorithm for introducing rules. The scientific novelty of the work consists in the development of four algorithms that provide automatic dynamic updating of rules in a global expert system using large language models. Experiments show that the mathematical and algorithmic software used in this study can effectively improve the mivar expert systems ability to update rules autonomously. 95.8 % of unknown scenarios were processed, and the accuracy of rule generation reached 91.3 %. The knowledge base update cycle has been reduced from several hours to several seconds. This study proves the advantages of using LLM as an external intelligent service for implementing automatic updating of the rules of the knowledge base of the mivar expert system.

 мивар экспертная система большая языковая модель автоматическое обновление базы знаний искусственный интеллект алгоритм mivar expert system large language model automatic updating of the knowledge base artificial intelligence algorithm Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. Москва: Радио и связь; 2002. 286 с. Платонов Ю.Г. Анализ перспектив перехода информационных систем на сервисно-ориентированную архитектуру. Проблемы информатики. 2011;(4):56–65. Шэнь Ц., Гун Ш., Варламов О.О., Адамова Л.Е., Баленко Е.Г. Динамическое планирование траектории робота на основе семантического обнаружения объектов с использованием миварной экспертной системы. Проблемы искусственного интеллекта. 2024;(4):164–176. https://doi.org/10.24412/2413-7383-2024-4-164-176 Коценко А.А. Разработка моделей миварного логического пространства для обеспечения трехмерного движения автономных роботов. В сборнике: МИВАР '24: Сборник научных статей, 18–20 апреля 2024 года, Москва, Россия. Москва: ИНФРА-М; 2024. С. 361–366. Чибирова М.О. Анализ подходов к построению систем поддержки принятия решений: Онтологии и Мивары. Автоматизация и управление в технических системах. 2014;(1-2):44–60. Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы. Системы управления и информационные технологии. 2025;(3):59–65. Доу Л. О разработке алгоритмического обеспечения для создания и обновления правил миварной экспертной системы на основе GPT. В сборнике: МИВАР '25: Доклады, 17–19 апреля 2025 года, Москва, Россия. Москва: ИНФРА-М; 2025. С. 415–417. Hanney K., Keane M.T. The adaptation knowledge bottleneck: How to ease it by learning from cases. In: Case-Based Reasoning Research and Development: Second International Conference on Case-Based Reasoning (ICCBR-97), 25–27 July 1997, Providence, RI, USA. Berlin, Heidelberg: Springer; 1997. P. 359–370. https://doi.org/10.1007/3-540-63233-6_506 Доу Л. Создание мультимодальной системы обнаружения пожаров и применение в миварной экспертной системе. Информация и образование: границы коммуникаций. 2025;(17):223–227. Zhang X., Sun W., Chen K., Jiang R. A multimodal expert system for the intelligent monitoring and maintenance of transformers enhanced by multimodal language large model fine-tuning and digital twins. IET Collaborative Intelligent Manufacturing. 2024;6(4). https://doi.org/10.1049/cim2.70007 Чибирова М.О. Сравнительный анализ миварного подхода с подходами, основывающимися на онтологиях и когнитивных картах. Радиопромышленность. 2015;(3):55–66. Луцкович А.И., Васильев В.И., Вульфин А.М., Кириллова А.Д., Сулавко А.Е. Автоматизированная система анализа слабоструктурированных данных киберразведки с использованием больших языковых моделей. Информационно-управляющие системы. 2025;(2):50–67. Hu W., Xu Y., Li Y., et al. BLIVA: A Simple Multimodal LLM for Better Handling of Text-Rich Visual Questions. Proceedings of the AAAI Conference on Artificial Intelligence. 2024;38(3):2256–2264. https://doi.org/10.1609/aaai.v38i3.27999 Хадиев А.М. Разработка и практическая реализация миварной машины логического вывода. Радиопромышленность. 2015;(3):79–89. Коценко А.А. Анализ применения для АСУТП миварных сетей в формате двудольных и трехдольных графов. В сборнике: МИВАР '24: Сборник научных статей, 18–20 апреля 2024 года, Москва, Россия. Москва: ИНФРА-М; 2024. С. 432–438. Гаврилов Л.Я., Уляшин В.В., Попов М.Ю. Исследование возможностей больших лингвистических моделей для создания миварных баз знаний. В сборнике: ИИАСУ'24 – Искусственный интеллект в автоматизированных системах управления и обработки данных: Сборник статей III Всероссийской научной конференции: Том 2, 30 октября – 01 ноября 2024 года, Москва, Россия. Москва: Издательский дом КДУ; 2025. С. 23–31. Данилюк А.В., Ким Р.И. О применении MivarGPT для автоматизации создания миварных баз знаний и машиностроительного искусственного интеллекта. В сборнике: ИИАСУ'23 – Искусственный интеллект в автоматизированных системах управления и обработки данных: Сборник статей II Всероссийской научной конференции: Том 3, 27–28 апреля 2023 года, Москва, Россия. Москва: Издательский дом КДУ; 2023. С. 568–573. Du S.Q., Tang S.J., Wang W.X., Li X.M., Guo R.Z. Tree-GPT: Modular Large language Model expert system for forest remote sensing image understanding and interactive analysis. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2023;48(1):1729–1736. https://doi.org/10.5194/isprs-archives-xlviii-1-w2-2023-1729-2023 Lammert Ja., Dreyer T.F., Lörsch A.M., et al. Large language models for precision oncology: Clinical decision support through expert-guided learning. Journal of Clinical Oncology. 2024;42(16_suppl). https://doi.org/10.1200/jco.2024.42.16_suppl.e13609 Schuerkamp R., Ahlstrom H., Giabbanelli Ph.J. Automatically resolving conflicts between expert systems: An experimental approach using large language models and fuzzy cognitive maps from participatory modeling studies. Knowledge-Based Systems. 2025;313. https://doi.org/10.1016/j.knosys.2025.113151 Awasthi Y., Garikayi T., Fundisi L.T., Mukhalela B. A Comparative Study: Evaluating ChatGPT and DeepSeek AI Tools in Practice. International Journal of Open Information Technologies. 2025;13(5):67–70. Доу Л. Метод обработки информации и изменения пороговых параметров правил в миварной экспертной системе с использованием больших языковых моделей. Проблемы искусственного интеллекта. 2025;(4):194–205. https://doi.org/10.24412/2413-7383-2025-4-39-194-205

The authors declare that there are no conflicts of interest present.